肺癌是发病率和死亡率最高，对人生命健康威胁最大的恶性肿瘤之一。中医脉诊关于肺癌的研究取得了一定的发展。然而，随着近年来信号处理技术的发展，针对利用脉象信号处理技术对肺癌患者的证型分类识别的研究空白，有必要对其进行深入研究。基于此，本文首次提出一种基于脉象特征进行肺癌证型的分类识别方法，该方法通过肺癌患者的脉象信息进行特征提取和量化分析，并基于支持向量机方法对脉象特征进行分类，客观实验结果表明本文所提算法实现了肺癌证型的辅助辨识，对肺癌的辅助辨识、临床、科研和教学具有重要意义。　　本论文主要的研究成果和创新点主要包括以下3个方面:　　1.针对脉象信号去噪的问题，本文根据组成脉象信号的工频干扰、基线漂移干扰、肌电噪声干扰的频带分布特点，分别采用不同的方法来去除低频噪声和高频噪声。首先，对于由基线漂移噪声组成的低频干扰，本论文根据EEMD良好的自适应性和抗混叠性提出了一种基于EEMD信号频率的自适应基线漂移校正方法，仿真实验结果表明所提方法可以在不损伤信号的原始特征的前提下，实现了对低频漂移干扰的去除。其次，对于对于高频干扰，本论文采用小波阈值法去除高频噪声。最后根据本论文所提出的去除低频噪声和高频噪声的方法，本论文提出了一种基于EEMD与小波阈值的联合消噪方法。通过实验结果对比可以看出，本论文所提算法的去噪效果优于其他几种去噪算法。　　2.针对脉象信号特征提取的问题，本论文提出一种基于平稳小波变换过零检测的特征点检测算法，实现了各个特征点的准确定位并提取了各个特征点的时域参数，仿真实验结果表明所提方法具有良好的抗噪性、自适应性、容错性和对肺癌脉象信号的适用性。为了避免时域特征研究的局限性和单一性，本论文进一步使用MF-DFA算法挖掘了脉象信号的分形特征，提取了多重分形谱的△a和△f特征，仿真实验结果表明所提取的△a和△f特征有在平面空间中能够大致区分肺癌三类证型的脉象信号。　　3.针对肺癌患者脉象信号的三类证型的分类问题，本论文提出一种基于ReliefF和粒子群寻优(PSO)的支持向量机(SVM)的分类方法。本文所提方法首先使用ReliefF算法进行特征降维，然后使用PSO算法对SVM的核参数寻优。实验结果证明了本论文算法所提取的肺癌脉象特征的有效性和稳定性，也验证了本论文基于脉象特征的中医肺癌证型分类算法的可行性。